Test de Student. Stéphane Canu June 14, M8 - Principes du traitement de l information
|
|
- Norbert Perras
- il y a 7 ans
- Total affichages :
Transcription
1 Test de Student Stéphane Canu M8 - Principes du traitement de l information June 14, 2012
2 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
3 L exemple de l effet d un médicament patient Groupe Pression sanguine t1 traitement 88 t2 traitement 83 t3 traitement 82 t4 traitement 101 t5 traitement 99 t6 traitement 85 t7 traitement 87 t8 traitement 89 t9 traitement 88 p10 placebo 88 p11 placebo 82 p12 placebo 101 p13 placebo 106 p14 placebo 96 p15 placebo 92 p16 placebo 112 p17 placebo 97 qualitative quantitative Question : le traitement fait-il diminuer significativement la pression sanguine? les hypothèses : { H0 : le traitement est inefficace H 1 : le traitement la fait baisser Réponse : comparer les deux échantillons à travers la différence entre leurs moyennes x t x p = 90, 2 96, 7 = 6, 5 La question posée se résume ainsi cette valeur de -6,5 peut elle s expliquer par un hasard raisonnable?
4 Un hasard raisonnable x t x p = 6, 5 peut elle s expliquer par un hasard raisonnable? x t = 1 n t=9 n t x ti x p = 1 n p n p x pi Figure: Illustration des eux cas de figure. Dans le premier cas (à gauche) la variance est grande et donc la distance de 6.5 est petite et due au hasard. Dans le second cas (à droite) la variance est petite et la distance de 6,5 est grande. pour répondre......il faut prendre en compte la variance
5 Prendre en compte la variance : le modèle Les trois hypothèses 1 l hypothèse gaussiènne : mesure des patients avec traitement : X t N ( µ t, σ 2) mesure des patients sous placébo : Xp N ( µ p, σ 2) 2 même variance : σ 2 t = σ 2 p = σ 2 3 avec la variance connue donc par exemple : σ 2 = 60. les hypothèses : { H0 : inefficace µ t = µ p H 1 : la pression baisse µ t < µ p Nous savons que les moyennes des échantillons suivent une loi normale moyenne avec traitement : X t N ( ) µ t, σ2 n t moyenne sous placébo : X p N ( ) µ p, σ2 n p car IE(X ) = IE( 1 n n X 1 n i) V (X ) = V ( = 1 n n IE(X n X i) i) = = 1 1 n n n µ = µ n 2 V (X i) = 1 n n 2 σ2 = σ2 n
6 Prendre en compte la variance : le modèle Les trois hypothèses 1 l hypothèse gaussiènne : mesure des patients avec traitement : Xt N ( µ t, σ 2) mesure des patients sous placébo : Xp N ( µ p, σ 2) 2 même variance : σ 2 t = σ 2 p = σ 2 3 avec la variance connue donc par exemple : σ 2 = 60. les hypothèses : { H0 : inefficace µ t = µ p H 1 : la pression baisse µ t < µ p Nous savons que les moyennes des échantillons suivent une loi normale moyenne avec traitement : X t N ( ) µ t, σ2 n t moyenne sous placébo : X p N ( ) µ p, σ2 n p La différence des moyennes suit aussi une loi normale : ( X t X p N µ t µ p, σ 2( ) ) n t n p
7 Le test 1(variance connue) Le modèle : X t X p N ( µ t µ p, σ 2( 1 n t + 1 n p ) ) Le test se rapporte aux deux hypothèses suivantes : { H0 : le traitement n a pas d effet µ t µ p = 0 H 1 : le traitement est efficace µ t µ p < 0 Maintenant nous faisons l hypothèse que le traitement n a pas d effet. X t X p ( ) sous H 0 : U = σ 2( 1 n t + 1 ) N 0, 1 n p Avec les données dont nous disposons nous pouvons calculer 90, 2 96, 7 u = 60 ( ) = ,73 est-ce grand ou petit?
8 Le test 2 (variance connue) X t X p ( ) sous H 0 : U = σ 2( 1 n t + 1 ) N 0, 1 n p Avec les données dont nous disposons nous pouvons calculer 90, 2 96, 7 u = 60 ( ) = En prenant les tables de la loi normale nous constatons que IP(U ) = 0, 041 Il y a donc moins de 5% de chances d observer un tel résultat. Il ne nous apparait donc pas raisonnable d expliquer cette différence entre le moyennes par le hasard seul. Nous concluons dans ce cas en rejetant cette hypothèse. Il nous semble plus raisonnable d admettre que le traitement à un effet.
9 Récapitulons : le test de comparaison des moyennes 1 la question : les deux groupes sont ils des réalisation de la même loi 2 le modèle : gaussien 3 les hypothèses : même variance σ 2 connue 4 caclul de u = x t x p σ 2( 1 n t + 1 ) n p x t moyenne avec traitement x p moyenne sans traitement n t nombre de cas avec traitement n p nombre de cas sans traitement 5 calcul de la p-valeur U N ( 0, 1 ) (ou lecture sur les tables) pval = IP(U u) 6 on décide qu on ne peut pas conclure à l efficacité du traitement si la p-valeur est supérieure à 0,05, si pval 0, 05
10 Les trois variantes : la pression : diminue augmente varie. { H0 : µ t µ p = 0 H 1 : µ t µ p < 0 { H0 : µ t µ p = 0 H 1 : µ t µ p > 0 { H0 : µ t µ p = 0 H 1 : µ t µ p 0 pval = IP(U u) IP(U u) IP(U u ) + IP(U u ) quand la question change... Exemple : pour u = 1, 73, pval = dim : IP(U 1, 73) = 0, 041 le calcul de la pval change aug : IP(U 1, 73) = 1 0, 041 = 0, 959 var : IP(U 1, 73) + IP(U 1, 73) = 0, , 041 = 0, 082
11 une interprétation de la statistique u = signal bruit = = écart entre les moyennes des deux groupes variabilité des observations x t x p ( σ 2 1 nt + 1 np )
12 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
13 Si la variance est inconnue Dans ce cas on remplace la variance inconnue σ 2 par sont estimateur σ 2. En conséquence la nouvelle variable aléatoire ainsi construire n est plus distribué selon une loi normale mais suit une loi et Student à n t + n p 2 degrés de liberté. X t X p T nt+np 2 = σ 2( 1 n t + 1 ) T nt+np 2 n p avec σ 2 = ( 1 nt n t +n p 2 (X ti X t) 2 + n p (X pi X p) ). 2 t = 90, 2 96, 7 63, 4 ( ) = En prenant les tables de la loi de Student nous constatons que pval = IP(T nt+n p ) = 0, 056 Il y a dans ce cas plus de 5% de chances d observer un tel résultat. Il nous apparait donc plausible d expliquer cette différence entre le moyennes par le seul effet du hasard. Nous concluons dans ce cas en gardant cette hypothèse. Il n y a pas assez d évidence expérimentale pour nous convaincre que le traitement a vraiment un effet. Si le médecin souhaite poursuivre, il lui faut refaire une expérience sur plus de sujets.
14 Récapitulons : le test de comparaison des moyennes 1 la question : les deux groupes sont ils des réalisation de la même loi 2 le modèle : gaussien 3 les hypothèses : même variance σ 2 inconnue 4 caclul de x t x p t = σ 2( 1 n t + 1 ) n p x t moyenne avec traitement x p moyenne sans traitement ( n t n p σ 2 1 = n t+n p 2 (x ti x t ) 2 + (x pi x p ) 2) n t nombre de cas avec traitement n p nombre de cas sans traitement 5 calcul de la p-valeur T T nt+n p 2 (ou lecture sur les tables) pval = IP(T t) 6 on décide qu on ne peut pas conclure à l efficacité du traitement si la p-valeur est supérieure à 0,05, si pval 0, 05
15 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
16 La loi de Student : définition Soit N N (0, 1) une variable aléatoire normale centrée réduite. Soit X n la variable aléatoire distribuée suivant une loi du χ 2 à n ddl C est le cas par exemple, si N1, N 2,..., N n un échantillon de n réalisation n i.i.d. une variable aléatoire normale centrée réduite quand X n = supposons que N et X n sont indépendantes (i.e. cov(y, X n) = 0) N 2 i Definition (La loi de student) On appelle loi de student à n degrés de libertés la loi de la variable aléatoire T n T n = N N N (0, 1) X n n X n χ 2 n
17 La loi de Student : T n = N Xn n Figure: Exemples de loi de student pour 1 (bleu), 2 (rouge), 5 (vert), 10 (violet) et 20 (bleu ciel) degrés de liberté. La courbe en pointillés noir est la courbe de Gauss donnée comme référence. La figure de droite montre un zoom sur la «queue» de la distribution. Loi de Student et loi normale T n n + N (0, 1)
18 Propriétés et approximation Publiée pour la première fois en 1908 par William Sealy Gosset qui travaillait chez Guinness (la brasserie de Dublin). Pour des raisons commerciales, il a du utiliser le pseudonyme de Student, qui restera attaché à cette loi. tend vers une loi normale n > 30 attention la différence est plus importante dans les «queue» de la distribution : N N (0, 1) : IP(N > 2) = 0, 023 p1 = 1-cdf( norm,2,0,1) T T1 : IP(T > 2) = 0, 148 p2 = 1-cdf( t,2,1) T T 2 : IP(T > 2) = 0, 092 p2 = 1-cdf( t,2,2) T T 10 : IP(T > 2) = 0, 038 p2 = 1-cdf( t,2,10) U N (0, σ 2 ) N = U σ N (0, 1) T = Ṋ σ = N N1 2+N2 2 2 T 2
19 Le cas de la moyenne d un échantillon gaussien Soit X N (µ, σ 2 ) une variable aléatoire normale d espérance µ et de variance σ 2. Soit X 1, X 2,..., X n un échantillon de n réalisation i.i.d. de cette variable aléatoire. La moyenne X = 1 n n X i de cet échantillon suit aussi une loi normale ) X N (µ, σ2 n car IE(X ) = µ et V (X ) = σ2 n : IE(X ) = IE( 1 n n X 1 i) V (X ) = V ( n = 1 n n IE(X n X i) i) = = 1 1 n n n µ = µ n 2 V (X i) = 1 n n 2 σ2 = σ2 n
20 Le cas de la moyenne d un échantillon gaussien Soit X N (µ, σ 2 ) une variable aléatoire normale d espérance µ et de variance σ 2. Soit X 1, X 2,..., X n un échantillon de n réalisation i.i.d. de cette variable aléatoire. La moyenne X = 1 n n X i de cet échantillon suit aussi une loi normale ) X N (µ, σ2 n On peut donc construire la variable normale centrée réduite Y = X µ N (0, 1). Or Z σ n 1 = n (X i X ) 2 2 χ 2 σ 2 n 1 n On peut construire une variable aléatoire suivant une loi de Student T n 1 = Y Zn 1 n 1 = X µ σ 2 n n n 1 avec Sn 1 2 = 1 n n 1 (X i X ) 2. (X i X ) 2 σ 2 = 1 n 1 X µ n (X i X ) 2 n = X µ S n 1 n
21 Le test de Student (t-test) : deux échantillons gaussien Soit X N (µ x, σ 2 ) et Y N (µ y, σ 2 ) deux loi de même variance. On tire deux échantillons suivant ces deux loi. Soient X 1,..., X nx et Y 1,..., Y ny ces deux échantillons. Les variables suivantes X = 1 nx n X i et Sx 2 = n x (X i X ) 2 sont caractérisées par les lois : X N (µ x, σ2 ) ; Y N ( µ y, σ2 ) ; n x n y S 2 x σ 2 χ2 n x 1 ; S 2 y σ 2 χ2 n y 1 et donc X Y N ( µ x µ y, ( ) ) σ 2 n x n y ; S 2 x σ 2 + S 2 y σ 2 χ2 n x +n y 2
22 Le test de Student (t-test) X Y N ( µ x µ y, ( ) ) σ 2 n x n y ; S 2 x σ 2 + S 2 y σ 2 χ2 n x +n y 2 On définit alors la variable de Student suivante : T nx +n y 2 = n x + n y 2 X Y (µ x µ y ) ( ) 1 n x + 1 n y Sxy 2 n x avec Sxy 2 = Sx 2 + Sy 2 = (X i X ) 2 + (Y i Y ) 2 Si l on fait l hypothèse que µ x = µ y n y T = n x + n y 2 X Y ( ) 1 n x + 1 n y Sxy 2 suit une loi de Student à n x + n y 2 degrés de liberté.
23 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
24 Le test de Student (t-test) les deux échantilons : X t1,..., X ti,..., X tnt, X p1,..., X pi,..., X pnp i.i.d Les deux hypothèses 1 l hypothèse gaussiènne : soit Xti N ( µ t, σ 2) et X pi N ( µ p, σ 2) 2 même variance : σ 2 t = σ 2 p = σ 2 la question : les deux échantillons que nous observons sont-ils des réalisations d une même variable aléatoire? les hypothèses : { H0 : échantillons de même loi µ t = µ p H 1 : de lois différentes µ t > µ p X t X p la statistique : T = σ 2( 1 n t + 1 ) T nt+np 2 n p avec σ 2 = 1 n t+n p 2 ( n t (X ti X t ) 2 + (X pi X p ) 2) n p
25 Mise en œuvre du test de student 1 caclul de x t = 1 n t x p = 1 n p n t x ti n p x pi ( n t 2 caclul de σ 2 1 = n t+n p 2 (x ti x t ) caclul de x t x p t = σ 2( 1 n t + 1 ) n p moyenne avec traitement moyenne sans traitement n p (x pi x p ) 2) n t nombre de cas avec traitement n p nombre de cas sans traitement 4 calcul du nombre de degrés de liberté d = n t + n p 2 5 calcul de la p-valeur T T d (ou lecture sur les tables) pval = IP(T t) 6 on décide qu on ne peut pas conclure à l efficacité du traitement si la p-valeur est supérieure à 0,05, si pval 0, 05
26 Exemple de mise en œuvre du test de student groupe avec traitement (t) groupe sans traitement (p) Question : le traitement augmente-t-il la mesure?
27 Exemple de mise en œuvre du test de student groupe avec traitement (t) groupe sans traitement (p) Question : le traitement augmente-t-il la mesure? Réponse : on effectue le test de student : 1 x t = , x p = x t x p = ( σ 2 = 1 10 (x ti ) 2 + (x pi 29.92) 2) x t x p t = σ 2( ) 1 n t + 1 n p ( ) = calcul du nombre de degrés de liberté d = n t + n p 2 = 10 5 calcul de la p-valeur T T d (ou lecture sur les tables) pval = IP(T 1.959) = 1-cdf( t,1.959,10) = on décide qu on peut conclure à l efficacité du traitement car la p-valeur est inférieure à 0,05.
28 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
29 L exemple de la relation entre oxygène dissout et pression patient O 2 Pression sanguine p1 0,31 88 p2 0,30 83 p3 0,29 82 p4 0, p5 0,33 99 p6 0,31 85 p7 0,30 87 p8 0,34 89 p9 0,32 88 p10 0,28 88 p11 0,30 82 p12 0, p13 0, p14 0,32 96 p15 0,30 92 p16 0, p17 0,31 97 quantitative quantitative Question : Il y a t il une relation entre ces deux variables? { H0 : indépendance les hypothèses H 1 : dépendance Réponse : tester la pente de la droite pression = ao 2 + b + ε les hypothèses { H0 : a = 0 H 1 : a 0 la regression donne â = 0, 12 Cette valeur peut elle s expliquer par un hasard raisonnable?
30 un hasard raisonnable... 1 supposons qu il y a indépendance a = 0 2 générons plein (m = 1000, , + ) d échantillons (x i, y ij = ax i + b + ε ij ), i = 1, n j = 1, m 3 pour chacun de ces échantillon calculons â j 4 regardons la probabilité IP( â > 0, 12) 5 si cette probabilité est trop petite, il n est pas «raisonnable» de considérer que l hypothèse d indépendance est exacte.
31 Comparaisons de deux variables quantitatives et régression y i = ax i + b + ε i ε i N (0, σ 2 ) indépendance des ε i â = n (x i x)(y i y) n (x i x) 2 ( ) â N a, σ 2 1 n (x i x) 2 â a σ 2 n (x i x) 2 N (0, 1) ε i = y i (âx i + b) ε i σ N (0, 1) 1 σ 2 n ε 2 i χ 2 n 1 σ 2 n ε 2 i χ 2 n 2
32 Pente de la droite de régression et loi de student â a σ 2 n (x i x) 2 N (0, 1) 1 σ 2 n ε 2 i χ 2 n 2 or N χ 2 n n T 2 n avec σ 2 = 1 n 2 suit une loi de student à n degrés de libertés â a σ 2 n (x i x) 2 1 σ 2 (n 2) n ε2 i T n 2 = n ( yi (âx i + b) ) 2 et S 2 x = â a σ 2 S 2 x n (x i x) 2 T n 2
33 Mise en œuvre du test sur la pente de la régression { H0 : indépendance a = 0 1 les hypothèses : H 1 : dépendance a 0 n 2 caclul de â = (x i x)(y i y) n (x i x) 2 3 calcul de σ 2 = 1 n 2 4 caclul de n ( yi (âx i + b) ) 2 et de S 2 x = t = â σ 2 n (x i x) 2 5 calcul du nombre de degrés de liberté d = n 2 6 calcul de la p-valeur T T d (ou lecture sur les tables) S 2 x pval = IP( T t) 7 on décide qu on ne peut pas conclure à l efficacité du traitement si la p-valeur est supérieure à 0,05, si pval 0, 05
34 Stéphane Canu (INSA Rouen - ASI) Test de Student June 14, / 33 Plan 1 Comparaisons d une variable quantitative et d une variables qualitative : le test de Student L exemple de l effet d un médicament Si la variance est connue Si la variance est inconnue La loi de Student Définition Propriétés et approximation Le cas de la moyenne d un échantillon gaussien Le cas de deux échantillons gaussien Le test de Student (t-test) 2 Comparaisons de deux variables quantitatives : le test de Student 3 Conclusion
35 Conclusion La question cette variable quantitative est elle indépendantes de cette variable qualitative? comparaison de deux échantillons quantitatifs il vérifier les hypothèses avant d effectuer un test de student distribution normale (par exemple un test du χ 2 adapté) égalité de variances (test de Fisher) sinon il faut faire un autre test comme celui de Wilcoxon ou de Mann et Whitney il existes plusieurs variations du test de student... un échantillon (test d une valeur de l espérance) puisque X µ S n 1 n deux échantillons appariés test de la pente de la régression simple Il existe une théorie et des théorèmes pour définir les test théorème de Neyman Pearson T n 1
36 Repéres bibliographiques s_t-test http: //nte-serveur.univ-lyon1.fr/immediato/math/enseignement/ 07%20Statistiques/19.%20Comparaison%20de%20deux% 20moyennes%20-%20test%20de%20Student/chapitre_19.htm
Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailBiostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailLecture critique d article. Bio statistiques. Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888
Lecture critique d article Rappels Bio statistiques Dr MARC CUGGIA MCU-PH Laboratoire d informatique médicale EA-3888 Plan du cours Rappels fondamentaux Statistiques descriptives Notions de tests statistiques
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailDUT Techniques de commercialisation Mathématiques et statistiques appliquées
DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailEcran : Processeur : OS : Caméra : Communication : Mémoire : Connectique : Audio : Batterie : Autonomie : Dimensions : Poids : DAS :
SMARTPHONE - DUAL-CORE - NOIR 3483072425242 SMARTPHONE - DUAL-CORE - BLEU XXXX SMARTPHONE - DUAL-CORE - BLANC 3483072485246 SMARTPHONE - DUAL-CORE - ROSE 3483073704131 SMARTPHONE - DUAL-CORE - ROUGE XXXX
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailBases : Probabilités, Estimation et Tests.
Université René Descartes LMD Sciences de la Vie et de la Santé UFR Biomédicale, M1 de Santé Publique 45 rue des Saints-Père, 75 006 Paris Spécialité Biostatistique M1 COURS de BIOSTATISTIQUE I Bases :
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailVous incarnez un surdoué en informatique qui utilise son ordinateur afin de pirater des comptes bancaires un peu partout dans le monde et s en mettre
Vous incarnez un surdoué en informatique qui utilise son ordinateur afin de pirater des comptes bancaires un peu partout dans le monde et s en mettre plein les poches. Problème : vous n êtes pas seul!
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détail